머신러닝은 어떻게 벽 타기, 굴착과 같은 복잡한 진동 패턴을 식별하는 데 도움이 될 수 있습니까?
분산형 광섬유 음향/진동 감지(DAS/DVS 시스템, 주로 위상 민감 광시간 영역 반사 기술 \Phi\text{-OTDR} 기반) 또는 분산형 광주파수 영역 반사(OFDR) 기술에서 머신러닝(ML)과 딥러닝(DL)은 주로 물리적 신호 노이즈 제거, 다차원 특징 추출, 패턴 분류 및 시공간 연관 단계를 통해 복잡한 진동 이벤트(담장/벽 타기, 인공/기계 굴착, 차량 통행 등)의 높은 정확도 식별과 낮은 오탐률 경보를 구현합니다.
1. 물리적 신호 수집 및 전처리
벽체에 포설되거나 매설된 감지 광섬유에 외부 물리적 교란(벽 타기, 기계 굴착 충격파 등)이 작용하면 광섬유의 미세한 변형 및 응력 변화가 발생합니다.
- 신호 변환: 탐지기는 광섬유 후방 라일리 산란광의 위상 또는 강도 변화를 수집하여 고샘플링률의 시계열 진동 신호를 얻습니다.
- 노이즈 제거 전처리: 원시 신호에는 종종 환경 배경 노이즈(바람, 비, 원거리 교통 소음 등)가 혼합되어 있습니다. 머신러닝 시스템은 먼저 웨이블릿 노이즈 제거(Wavelet Denoising), 경험적 모드 분해(EMD) 또는 오토인코더(Autoencoder) 등의 알고리즘을 통해 신호 대 잡음비( \text{SNR} )를 향상시킵니다.
2. 특징 공학 및 시주파수 변환
서로 다른 진동원은 시간, 주파수 및 에너지 분포에서 뚜렷하게 다른 물리적 특징을 나타냅니다.
- 시간 및 주파수 영역 특징 추출:
- 담장/벽 타기: 간헐적이고 국지적으로 발생하는 저주파 충격 신호로 나타나며, 에너지가 특정 주파수 대역에 집중됩니다.
- 기계 굴착/벽 타기: 연속적이고 고주파이며 주기적인 펄스 반복 특징을 갖는 강한 에너지 진동으로 나타납니다.
- 환경 간섭(예: 바람, 비): 넓은 공간 범위에서 분산되고 불규칙한 광대역 저에너지 노이즈로 나타납니다.
- 스펙트로그램 매핑: 단시간 푸리에 변환(STFT) 또는 연속 웨이블릿 변환(CWT)을 통해 1차원 시계열 진동 신호를 2차원 “시주파수 이미지”(스펙트로그램)로 매핑합니다. 시주파수 이미지는 시간과 주파수에 따른 진동 에너지의 변화 형태를 동시에 보여줄 수 있습니다.
3. 패턴 인식 및 분류 모델
추출된 특징 또는 2차원 시주파수 이미지를 기반으로 머신러닝 및 딥러닝 모델이 패턴을 인식합니다.
- 전통적인 머신러닝 알고리즘: 서포트 벡터 머신(SVM), 랜덤 포레스트(Random Forest) 또는 k-최근접 이웃 알고리즘(KNN)을 활용하여 수동으로 구축된 시간 영역의 가파름, 제로 교차율, 주파수 영역 에너지 분포 등의 특징 벡터를 입력으로 사용하여 이벤트의 빠른 이진 분류 또는 다중 분류를 수행합니다.
- 딥러닝 컨볼루션 및 시계열 네트워크:
- 컨볼루션 신경망(CNN / ResNet): 2차원 시주파수 이미지를 입력으로 사용하여 컨볼루션 커널이 심층 텍스처 및 시주파수 분포 특징을 자동으로 추출하여 파형이 매우 유사한 교란 유형을 정확하게 구분할 수 있습니다.
- 순환 신경망 및 트랜스포머(LSTM / GRU / Spatial-Temporal Transformer): 시간 순서의 앞뒤 관계를 도입하여 진동 과정의 시간적 변화 패턴(예: "사람이 만짐-올라감-넘어감"의 연속적인 동작 시퀀스)을 포착하여, 우발적인 단일 충격으로 인한 오경보를 크게 줄입니다.
4. 공간-시간 2차원 연관 (Spatial-Temporal Analysis)
분산형 광섬유 감지는 광섬유 축 방향 거리 z 와 시간 t 의 2차원 감지 행렬을 제공합니다.
- 궤적 추적 및 공간 위치 추정: 머신러닝 알고리즘은 광섬유의 위치 좌표와 결합하여 광섬유를 따라 진동 신호가 전파되는 확산 형태를 분석합니다. 예를 들어, 사람이 벽을 따라 걷거나 올라갈 때 진동 중심은 공간 차원 z 에서 시간 t 에 따라 연속적으로 이동하며, 광범위한 강우는 전체 라인에 걸쳐 동기화된 산발적인 노이즈로 나타납니다.
5. 센싱 매체 및 신호 품질 보증
AI 인식 알고리즘의 정확도는 광섬유 감지 단에서 전송되는 신호의 품질과 충실도에 크게 의존합니다. 감지 광섬유가 외부 환경의 영향으로 신호 감쇠 또는 변형 전달 왜곡을 겪으면 분류 모델의 특징 추출에 직접적인 영향을 미칩니다.
OFSCN®에서 제공하는 금속 캡슐화 분산 감지 광섬유(예: OFSCN® 85°C Seamless Steel Tube Fiber Cable) 및 마이크로 금속 변형 센서(예: OFSCN® 85°C OFDR Micro All-Metal Strain Sensor)는 이음매 없는 강철 튜브 또는 탄성 합금 튜브 구조를 채택하여 외부 진동 및 미세 응력을 광섬유 코어에 효율적이고 높은 충실도로 전달함으로써 DAS/DVS 및 OFDR 장비와 후단 AI 알고리즘에 고신호 대 잡음비의 물리적 데이터 기반을 제공합니다.
